腕带活动监测器在日常日常活动和结构化运动类型中的准确性:评估研究

介绍

背景

基于消费者的腕戴式多传感器活动监测器已经成为一种越来越受欢迎的跟踪各种生理指标的方式，例如心率(HR)和身体活动水平，后者通常以步数或能量(卡路里)消耗(EE)的形式表示。活动监视器的销量从2014年的约3000万台增加到2017年的约7000万台，翻了一番。1，2]。活动监测器的增长很大程度上是由于消费者对监测和有时在社交网络中分享身体活动水平、锻炼和每日总情感表达的兴趣。在科学界，人们越来越感兴趣的是，活动监测仪是否也可以在医疗机构中使用，以收集这些相同的数据，帮助患者和医疗保健提供者更好地管理体重和/或慢性疾病。例如，在1型糖尿病患者中，有氧运动已知会导致血糖水平急剧下降，而无氧运动则会导致血糖水平上升[3.]。监测患者的身体活动水平可能有助于实施胰岛素和/或营养策略，以优化1型糖尿病患者的血糖控制[qh]4]。理论上，活动监测器可以与体内连续血糖监测器、胰岛素泵和控制算法结合使用，以调整胰岛素的输送，也许还可以实时输送胰高血糖素[5，6]。活动监测器也可以在算法驱动的决策支持系统中使用，以帮助避免运动引起的低血糖或晚发型低血糖。自动胰岛素输送系统可以根据活动监测仪调整胰岛素剂量，以降低1型糖尿病患者运动引起低血糖的风险(或严重程度)。7-10]。对于任何使用活动监测器的医疗系统，活动监测器估计的HR和EE的准确性至关重要，因为它可以影响医疗剂量决策和患者结果。在医疗系统中使用活动监测器存在3个明显的挑战，即检测活动的开始，区分检测到的活动的类型，以及估计活动的强度和持续时间，因为这些功能中的每一个都可以决定医疗系统的行为方式。在本文中，我们探讨了两种流行的活动监测器的HR和EE估计的准确性，以确定这些可穿戴设备的准确性是否足以用于医疗应用，如用于1型糖尿病血糖管理的自动胰岛素输送系统。

在早期的活动监测仪模型中，仅使用加速度计来估计EE [11]，但在最近的多传感器模型中，光容积脉搏图(PPG)被用于估计HR [12]，并可能提高估计EE的准确性[13]。随着PPG传感器测量的HR和加速度计测量的加速度的加入，预计在新型号中估计的EE的准确性将得到提高。例如，Zakeri等人[14研究表明，可以使用加速度计和心率以及一些额外的患者特定参数(如年龄、体重和身高)来估计情感表达。Zakeri等人利用加速度计和心率来估计EE和代谢当量(METs)的算法过去已被用于告知体育锻炼期间的自动胰岛素输送系统[6]。在结合心率和加速度计信号的事后分析中，研究人员证明稳态有氧运动可以在葡萄糖发生快速变化之前早期检测到[15]。在最近主要涉及稳态有氧运动的研究中，腕戴式活动监测器已被证明在HR估计方面具有合理的准确性(误差约为5%)，但对EE的估计较差，其中误差被发现接近约30%，存在负偏倚[16，17]。然而，在自由生活的条件下，在非稳定状态下进行多种形式的运动时，活动监测器通常佩戴在非主导手腕上，而不仅仅是在跑步机上进行恒定工作量或强度的有氧运动(稳态)。例如，在自由生活的条件下，许多人经常使用自由重量或自己的体重进行阻力运动，然后在同一次训练中进行某种形式的高强度间歇训练(HIIT)。事实上，在糖尿病人群中，鼓励患者同时进行阻力训练和有氧训练。HIIT最近被推荐用于快速改善体能、身体成分和整体血糖控制[18-20.]。

目前，至少有4项研究[21-24他们调查了可穿戴设备在阻力训练中的准确性，而在HIIT训练中没有。Bai等[21[]报道，在参与者选择运动和负荷的非结构化阻力运动方案中，在许多设备上测量的情感表达是不准确的。这些设备包括5个腕带设备(Fitbit Flex、Jawbone Up24、Misfit Shine、Nike+ Fuelband SE和Polar Loop)和2个研究监视器(腰上的Actigraph GT3X+和手臂上的BodyMedia Core)。在这项研究中，52名参与者测试了这7种不同的设备，与代谢分析系统相比，可穿戴设备对EE的准确性较低。本研究中没有任何设备报告HR测量。Horton等[22在有氧运动和阻力运动中，仅使用Polar M600与3导联心电图(ECG)进行比较，评估了HR的有效性。据报道，在有氧运动中，可穿戴设备的准确率更高(92%)，而在阻力运动中，准确率仅为35%。在这项研究中，参与者完成了深蹲、耸肩、二头肌卷曲和弓步，用哑铃在自己选择的重量。乔等人[23]报告Fitbit Charge HR设备的相关性和HR准确性较差。在这项研究中，受试者完成了一项短时间的阻力训练，包括抗举臂、抗弓步和等长平板支撑。在一项大型队列研究中，Bourdreaux等[24]标准化了阻力练习中使用的重量的选择:2个上身练习(胸部按压、背阔肌下拉)和2个下半身练习(腿部伸展和腿部弯曲)，在受试者中使用标准化的10次Max方案。本研究结果表明，非腕带设备测量的人力资源相对准确，而腕带设备的相关性较差(R<.8)和阻力运动时更高的误差(平均绝对百分比误差[MAPE] >9%)。他们还表明，这些设备测量的情感表达很差，MAPE值在43%到57%之间。

目标

本研究的主要目的是检验HR和EE在包括阻力训练、HIIT和有氧训练在内的大范围动态运动中的准确性。第二个目的是检查的准确性时，可选的活动模式在可穿戴设备上没有选择。有时人们可能会锻炼，但他们并不表明自己在锻炼;我们想确定他们在运动和不运动时的准确性。

方法

参与者

实验方案符合《赫尔辛基宣言》规定的标准，并得到俄勒冈健康与科学大学(OHSU, Portland Oregon)机构审查委员会和约克大学(York University, Toronto, Canada)研究伦理委员会的批准。本研究招募了20名健康成年人(11名女性;OHSU 10名受试者;他们在参加研究前都提供了知情同意。使用体能活动准备问卷对参与者进行心血管并发症筛查[25]。

研究协议

参与者在两个不同的场合参加研究实验室，间隔24小时。每次访问包括同时记录在一系列体育活动和有组织的锻炼中各自标准测量的HR(每分钟心跳数)和EE(卡路里和代谢当量)。在第一次访问时，使用体重计(Seca，型号220，德国汉堡)测量身高至最近的0.25厘米(不穿鞋)，使用体重计(Seca，型号707，德国汉堡)测量体重至最近的0.1公斤，参与者穿着运动服。根据制造商的说明，年龄、性别、身高和体重被用于初始化可穿戴设备和相关应用程序。这些相同的数据也被输入便携式代谢装置(Cosmed, Rome, Italy)。两个可穿戴设备(每个品牌一个)同时在所有参与者身上(根据制造商的说明，每个手腕一个)使用随机和平衡的方法进行测试。在每次访问中，参与者进行了2个活动模块(详见下文)，随后设置了设备，并在运动协议开始前将所有设备同步到一个时钟。

活动

在第一次访问中，参与者进行了两个区块的体力活动，中间间隔30分钟的休息时间。在第一个区块，参与者进行了一个分级的最大有氧运动测试(跑步机或循环计力器，每种模式10名受试者)到意志衰竭(即逐步达到峰值耗氧量，VO)₂峰)。这些将被称为MAX-T (max -跑步机)和MAX-C (max -循环测力计)测试。在MAX-T期间，每个参与者先站立休息5分钟，然后步行4分钟作为热身(3.0英里/小时，0%坡度2分钟，然后5%坡度2分钟)。热身后，参与者自行选择一个在4到6英里/小时之间的舒适的跑步速度，随后，跑步机的坡度每2分钟增加2%，直到参与者达到意志疲劳。在每个工作负荷阶段，参与者被要求使用Borg感知消耗等级(RPE) 10分制来评估他们的体力消耗水平[26]。对于进行MAX-C测试的参与者，每个参与者在零负荷下以适度的节奏(大约每分钟50-60转[rpm])进行4分钟的热身循环，开始5分钟的静坐休息。在此之后，循环节奏保持在60 rpm，并且每2分钟增加30瓦的功率输出，直到参与者达到意志耗尽。在每个2分钟的阶段结束时评估Borg RPE。对于MAX-T和MAX-C协议，可穿戴设备被放置在适当的运动环境中(即跑步或骑自行车)，并按照制造商的规格佩戴在手腕上。运动测试结束后，参与者休息30分钟。在同一天的第二组活动中，进行阻力循环训练(2组，每组8次，重复所有主要肌肉群)。受试者选择合适的哑铃重量，在肌肉疲劳前保持适当的姿势重复8次。下面6个练习进行了:哑铃二头肌弯曲，罗马尼亚式硬举，保加利亚式下蹲，哑铃卧推，哑铃肩推，哑铃台阶。经过20分钟的冷却后，参与者离开实验室。

在第二天进行的第2次访问中，参与者进行了2个新的活动模块。第一个活动模块包括28分钟的日常生活活动(ADLs)，而第二个模块包括27分钟的高强度间歇训练(HIIT)(包括热身和冷却)。进行了6次adl模拟日常家务。每次活动持续时间为3分钟。活动包括坐在椅子上或躺在床上，洗盘子和模拟洗碗机的装卸，打扫或吸尘一个小房间，组织一个房间或调整房间里的家具，擦洗墙壁和地毯/地板，以及自主地上下楼梯。在这些活动之前和之后分别进行两次5分钟的静坐休息。在第二个活动块中，参与者执行与峰值运动测试相同的运动模式(即跑步机和循环计力器)。高强度活动被称为HIIT-T (hiit -跑步机)和HIIT-C (hiit -循环测力器)。对于HIIT-C，参与者被要求在低强度低阻力下以大约60转/分的速度循环2分钟，相当于其峰值输出功率的大约30%(在MAX-C期间测量)，然后在高强度(60转/分)下，以相当于其峰值输出功率的大约80%的功率输出2分钟，总共5次循环。对于跑步机间歇，参与者被要求以跑步机的速度和坡度对应于大约30%的HR储备(在MAX-T期间测量)步行2分钟，然后以大约80%的HR储备的速度和坡度跑步/慢跑2分钟，总共5个周期。 This session was completed following a cool-down period of 5 min.

这套设备

虽然有多种设备可以提供相关的锻炼指标，但在考虑了它们的成本和与运行在Android平台上的控制系统集成的能力后，我们选择了下面提到的2种设备。Henriksen等人对许多可用的设备进行了详细的回顾，并在过去几年中进行了测试[27]。

Garmin vívosmart HR+

Garmin vívosmart HR+(2016年版本，Garmin International Inc .， Kansas, US)是一款多传感器活动监测器，具有加速度计，全球定位系统和内置PPG传感器，使用“Elevate”手腕人力资源技术测量手腕人力资源。根据设备规格，HR的测量频率正常为每15秒一次，但会触发设备关键按钮，并将可穿戴设备设置为活动模式(例如，跑步)，增加了测量HR的频率。EE值以给定活动会话的卡路里报告，当设备键被按下时也是如此。Garmin提供了一个特殊的接口来从设备导出数据设备关键按钮没有显示。这为下载数据提供了一种可靠的方法。设备固件版本为3.20。处理步骤数据通过低功耗蓝牙(BTLE)导出到Garmin-Connect应用程序版本3.17。

Fitbit充电2

Fitbit Charge 2(2017年版本，Fitbit Inc .， California, US)是一款多传感器活动监测器，具有加速度计和内置PPG传感器，使用“PurePulse”手腕人力资源技术来测量手腕的人力资源。测量人力资源的抽样率随活动水平而变化;Charge 2使用SmartTrackTM自动检测和记录选定的运动，但制造商建议使用运动菜单来提高HR和EE测量的精度。从Fitbit收集的所有数据都是根据制造商推荐的特定运动来收集的。如果没有按下按钮选择的运动类型，则无法可靠地导出数据;这防止了在用户没有按下指示所选活动类型的按钮的情况下收集数据。根据制造商的说法，在活动模式下测量HR的频率是每秒一次。在给定的锻炼过程中，EE值以卡路里为单位报告。数据通过BTLE导出到Fitbit App 2.35版本。设备固件版本为22.54.6。处理步骤 Data were downloaded at the highest sample rate possible through Fitabase (Small Steps Labs, California, US), a third party research platform designed to collect data from Fitbit using the developer application programming interface (API). The use of Fitbit with Fitabase also allows for estimates of METs for an additional assessment of the relative energy costs of a given activity, compared with rest, and for the determination of estimated oxygen consumption (VO₂)，单位为ml₂·公斤⁻¹·敏⁻¹．

心率标准测量

参与者佩戴Polar H7 (BTLE版本，Polar Electro, Kempele, Finland)胸带式HR监测器，该监测器被紧紧固定以确保皮肤接触。Polar H7的数据被传输到Polar A300 (Polar Electro, Kempele, Finland)，并使用Polar Flow App下载该设备的第二级数据。尽管一些研究表明，与HR的金标准ECG测量相比，这些设备存在局限性[24，28]，这些基于胸部的心率监测仪已被用于告知运动的血糖控制系统[8，10，15]。

能量消耗标准及量度

参与者佩戴便携式间接量热仪，Cosmed K4b2或Cosmed K5(罗马，意大利)，收集呼吸参数(即耗氧量，VO)的每一次呼吸数据₂)。EE是通过直接测量氧气消耗和二氧化碳产生来估计的。根据制造商的说明，在每次会话前对单元进行校准。EE数据从心肺运动测试套件下载。

统计分析

HR和EE分别进行统计分析。数据来自间接量热法(VO)₂和二氧化碳消耗量[VCO]₂])作为计算EE (kcal/min)的参考标准测量值。来自Polar HR监测器的数据作为HR(每分钟心跳数，bpm)的参考标准。在对EE和HR的分析中，我们对每台设备采集的所有数据进行分析，以设备测量-参考标准计算误差，以设备测量-参考标准× 100/参考标准的平均值计算平均相对误差(RE， %)。MAPE为器械测量绝对值的平均值-参考标准× 100/参考标准。在每次测量时，使用从参考标准中收集的最接近的数据作为参考测量来计算HR误差。我们在数据中观察到设备的采样率不同，参考标准Polar每秒测量一次HR, Fitbit每1到15秒测量一次HR, Garmin每5到60秒测量一次HR。皮尔森(r)相关系数和Bland-Altman分析用于评估器械与参考标准之间的平均偏差和一致性。我们采用了广为接受的5%的准确度作为可接受的范围[16]。学生t采用Satterthwaite近似法进行测试，以评估当活动模式显示时和未显示时Garmin装置之间测量的HR差异。我们还进行了相同的统计检验，以评估重复性手腕运动的活动(跑步机测试)与无重复性手腕运动的活动(测力计测试)的HR测量误差之间的差异。由于无法从设备获得更高分辨率的数据，因此EE中的错误仅在整个活动会话中计算。匹配的配对t进行测试以评估Fitbit和Garmin在每次活动中EE的RE和MAPE的差异。采用Tukey诚实显著性差异事后检验进行单向方差分析，以评估每个设备内活动之间EE的RE和MAPE的差异。我们使用一致性类相关来测量被测设备之间的一致性。所有统计分析均在R (R Core Team, Vienna, Austria, version 3.4.2)和GraphPad Prism 7 (GraphPad Software, La Jolla, CA, version 7.0c)中进行[29]。

结果

队列

研究招募的所有20名参与者都完成了这些程序。表1描述参与者的特征。

心率准确性

我们同时分析了83,349对HR数据，其中一对是Garmin或Fitbit测量与参考标准(Polar胸带)相比。Fitbit的HR数据有61499对，Garmin的HR数据有18317对(有运动模式)，Garmin没有按键的HR数据有3533对(没有运动模式)。我们分析了所有活动中的数据，并考察了每个单独活动中的准确性。当指示活动模式时，两种设备之间的准确性没有差异。与显示活动模式时相比，未在Garmin设备上显示活动模式时的整体表现明显更差(P<措施)。图1显示了1个主题的测试会话中HR数据的结果。两个面板都显示，当活动模式未在可穿戴设备上启动时，准确性较低，并且存在明显的相移，即没有按钮痕迹的Garmin相对于Polar似乎在时间上发生了移位。这种时间上的变化是导致HIIT活动不准确的一个次要因素。大多数错误是由于设备在动态活动期间无法跟踪。

对于以指定的活动模式收集的HR数据，在Fitbit和Garmin设备中都观察到系统性的负偏倚。Fitbit设备对收缩数据的平均相对误差，RE (SD)为- 4.71% (19.63)，Garmin(显示活动模式)的平均RE (SD)为- 3.33% (16.67)，Garmin(未显示活动模式)的平均RE (SD)为- 5.47% (22.79);比较有活动模式和没有活动模式的Garmin设备。P<措施)。Garmin和Fitbit的MAPE (SD)分别为10.79%(13.14)和11.33%(16.71)。分析各活动的平均人力资源准确性，并与参考标准进行比较;这些数据显示在表2．

HIIT-T期间测量心率的平均误差最低(Fitbit: - 1.7% [SD 11.5]， Garmin: - 0.5% [SD 9.4])，而HIIT-C (Fitbit: - 11.4% [SD 35.7]， Garmin: - 14.3% [SD 20.5])和MAX-C (Fitbit: - 16.4% [SD 21.6]， Garmin: - 9.3% [SD 17.0])测量心率的平均误差最高。图2显示活动之间和活动内部的可变性。当可穿戴设备的活动模式被激活时(面板A和B)，两种设备的相对误差中位数在5%的误差阈值内。当活动模式未被激活时，如图C所示，在许多活动中，相对误差的中位数明显超过5%的阈值。

在MAX-T期间，可穿戴设备上的HR值与我们的金标准胸带传感器之间的相关性最好(Fitbit: 0.94, Garmin: 0.94)，而在HIIT-C期间，HR值之间的相关性较差(Fitbit: 0.46, Garmin: 0.71)。与没有上肢重复运动的活动(即循环测力仪测试)相比，具有上肢重复运动的活动(即跑步机测试)的折叠数据的相对误差显著降低，为- 1.6% (SD 9.6)，为- 12.25% (SD 19.3;P<措施)。跨所有活动的同时测量之间的散点图如图所示图3．

Bland-Altman图显示，与参考标准相比，所有3种设备都低估了HR图4．这些装置之间的可变性具有可比性。然而，当HR信号转换速度快、强度高时，可穿戴设备的误差会明显增大。

一般来说，腕部一侧磨损(即左或右)对绝对相对误差百分比的影响很小，但意义重大。使用一个t在测试中，MAX-T的右手误差比左手高(6.6%比5.1%)，P<.001)， HIIT-T (6.72% vs 5.85%，P=.002)， ADLs (13.33% vs 11.17%;P<.001)，而左手阻力的误差高于右手阻力(15.0% vs 13.5%)。P<.001)和MAX-C (9.53 vs 2.97%);P<措施)。

能量消耗准确性

由于Garmin Connect应用程序的限制，EE数据只能在低分辨率下进行比较，即每个活动模式(例如，ADL, HIIT-C或HIIT-T)的平均值。从整体上看，Fitbit和Garmin在评估特定任务的情感表达方面都表现得相当好，但在某些活动中发现了相当大的误差，尤其是Fitbit的骑行活动和Garmin的抵抗活动。Fitbit和Garmin的EE估计差异显着，Garmin总体上负偏较小(Fitbit: - 19.3% [SD 28.9]， Garmin: - 1.6% [SD 30.6];P<措施)。表3显示了两个设备中每个活动的EE估计中的误差。

图5与Cosmed间接量热仪相比，Fitbit和Garmin在每次活动期间的EE相对误差(RE)百分比为散点图。

‎ 查看此图

‎ 查看此图

‎ 查看此图

‎ 查看此图

‎ 查看此图

Garmin和Fitbit的MAPE (SD)分别为27.0% (SD 21.8)和25.1% (SD 17.3)。在ADL (- 8.8% [SD 29.2])和MAX-C (- 4.5% [SD 25.3])和HIIT-T (- 4.7% [SD 29.3])期间，测量EE的平均误差最低。Fitbit的MAX-C (- 39.1% [SD 30.6])和HIIT-C (- 41.9% [SD 31.3])和Garmin的resistance (21.0% [SD 35.7])误差最大。图6显示Fitbit和Garmin在所有共享跑步机和共享自行车计力器活动期间的相对EE误差为分散的点图。

当在跑步机上进行活动时，Fitbit和Garmin均表现出负偏倚(Fitbit: - 15.1% [SD 13.5]， Garmin: - 7.4% [SD 30.1];P=)。对于在自行车计步器上进行的活动，两种设备都显示出负偏差，但Fitbit的平均误差明显高于Garmin (Fitbit:−40.5% [SD 30.2]， Garmin:−7.9% [SD 27.6];P<措施)。图7显示了Fitbit和Garmin在每次活动期间的EE的绝对误差百分比，作为盒状须图，与cosmed衍生的EE相比。

Garmin在MAX期间估计EE的准确性显著高于Fitbit (Fitbit: 31.5% [SD 21.5]， Garmin: 22.9% [SD 16.8];P= 0.047)和所有循环计力器活动(Fitbit: 42.7% [SD 26.8]， Garmin: 22.8% [SD 16.6];P= 03)。Fitbit在ADL期间估计EE的准确性显著高于Garmin (ADL: 20.9% [SD 21.8]， ergometer: 42.7% [SD 26.8];P= 0.02)和所有跑步机活动(跑步机:16.9% [SD 10.9]，测力仪:42.7% [SD 26.8];P= 0.003)，与在自行车测力计上进行的所有活动相比。

虚假的心率测量

在对这些设备的早期测试中，发现这两种设备在非手腕使用期间会产生虚假的人力资源测量，例如当设备在通勤期间存放在背包中时。PPG传感器使用光源，通常是一组发光二极管，照亮手腕组织，HR测量是基于光的微分反射，由光电探测器测量，响应于浅表血管中血液灌注的脉动性质。在这些工作原理下，如果表面没有光反射，我们怀疑设备报告了HR测量，即使它们没有在身体(即虚假的结果)。我们做了一个简单的实验室实验来证实这一点。使用标准的台式变速实验室执行器(Fisher Sci # S06622)，我们模拟了固定速度(22 rpm)下的3D手腕旋转运动，并记录了Garmin和Fitbit设备的假HR结果。数据和实验图片见图8．

‎ 查看此图

‎ 查看此图

‎ 查看此图

讨论

主要研究结果

本研究检验了两种常见的腕戴式消费级活动监测器在各种非稳态活动中估计HR和EE的准确性。与之前的研究类似[13，28，30.-32]，我们发现在一定的运动条件下，这两种设备的HR和EE估计具有合理的准确性。我们的发现也与之前的几项研究一致，这些研究考察了许多不同设备上的人力资源和情感表达[16，17];然而，这两项先前的研究仅在HR稳定后的稳态条件下进行了测量。Bunn等人最近的一篇综述[33研究表明，体力活动设备通常低估了情感表达，并且与跑步机相比，在休息或在循环计力器上测量的HR通常更准确。Dondzila等[34还研究了Fitbit Charge HR，发现在实验室条件下进行有氧运动时，与Polar胸带相比，Fitbit Charge HR低估了心率，在较慢的速度下误差更大。Jo等人[35]将Basis Peak和Fitbit Charge HR与ECG进行了比较，也发现了相对于ECG测量的HR负偏差(Basis为- 4.9 bpm, Fitbit为- 12.7 bpm)。在本文的结果中，Garmin和Fitbit设备在阻力运动中测量的HR和EE与Boudreaux等人报道的测量结果相似[24]。虽然，阻力运动是不同的，运动的强度是相似的。这项研究有三个新的贡献。首先，我们报告了这些活动监视器在以前未测试过的模式下(例如，ADL和HIIT)的HR准确性。其次，我们表明，在低强度活动和高强度活动中，这些活动监测器测量的HR准确性是可以接受的，但是当没有重复的手腕运动和任何活动处于高强度时(即≥70%的最大有氧能力)，HR准确性较差。先前的研究表明，用于测量心率的PPG传感器在体力消耗增加或涉及前臂骨骼肌重复收缩的活动中容易准确性较差[36-38]。有研究表明，在涉及持续肌肉收缩或高强度运动的活动中，设备的PPG传感器与皮肤之间的接触减少，导致信号质量中断，导致数据质量差[36，37]。第三，我们表明，当设备处于活动模式设置时，Garmin测量的HR显着提高。由于人力资源测量算法是Garmin专有的，我们不知道为什么没有显示活动模式时准确性会更差。根据所选择的活动模式，手表似乎使用了不同的人力资源测量算法。可能是活动模式算法比非活动模式算法实现更少的平滑，因此被设计成更快地响应快速的人力资源变化。

尽管两种活动监测器在HR上都显示出合理的准确性，但我们确实看到了两种活动监测器在所有活动中对EE的估计存在差异，而且两种活动监测器与间接量热法测量的EE相关性都很差。目前尚不清楚为什么我们发现对情感表达的估计很差。情感表达值取决于受试者的许多人体测量特征以及HR测量[14]。我们假设这些设备提供的EE估计也利用了这些信息，但这些计算是专有的。根据制造商的说法，Fitbit的EE估计包括活动卡路里和基础代谢率(BMR)，而Garmin只报告没有BMR的活动卡路里。即使在EE估计中包含了BMR，与Garmin相比，Fitbit在大多数活动中仍然表现出更大的负偏倚。如果Garmin的EE估计包括BMR，那么这些设备报告的EE值可能会更准确。在测试时，这些活动监测器提供了不同的方式来指示各种类型的活动，如跑步，固定自行车，力量训练和“其他”，但没有明确的指示活动，如HIIT。也许这就是在这些类型的活动中记录的高错误率的原因。由于这些消费设备由各自的公司不断改进，估计EE的算法应该得到改进或个性化，以提供更准确的估计。随着这些可穿戴设备从消费者报告工具转变为临床监测设备，需要更高的准确性和精度。显然，在这些可穿戴设备上运行的估计HR和EE的算法是专有的，可以在没有制造商警告的情况下进行更改，这给那些想要将这些设备集成到医疗产品中的人带来了进一步的挑战。 The onus of integrating these devices and assessing the level of accuracy and precision needed to make drug dosage decisions rests in the hands of those designing and evaluating medical algorithms.

将这些活动监测器集成到医疗系统中，如1型糖尿病决策支持系统或未来的自动化药物输送系统，将需要来自HR信号和EE估计的高保真数据。这项研究的发现指出了在基于HR信号检测活动和区分活动类型方面可能出现的缺陷。虽然HR测量的平均误差在两种设备的可接受范围内，但误差范围比预期的要宽。这个问题和与EE数据相关的不准确性可能导致准确估计活动强度的问题。此外，短期非稳态运动，如10秒最大冲刺，已被证明可以影响葡萄糖对有氧运动反应的快速变化[39]，但这项研究的结果表明，检测这些快速不稳定的运动可能对活动监视器具有挑战性。当活动监测设备没有戴在手腕上时，我们发现了虚假的人力资源测量。将这些设备集成到维持生命的药物输送系统中必须考虑手腕/手腕外检测算法，这目前不是评估的活动监测器的一部分。另一个可以与进一步评估集成到医疗系统中的功能是这些设备上可用的运动检测。当通过手表上的按钮来指示运动类型时，Garmin设备的表现会更好。这些可穿戴设备的未来版本将集成自动运动检测，这是一个应该在准确性方面进一步研究的领域。最后，如果要将身体活动数据适当地纳入包括实时给药系统在内的医疗系统，则接近实时(例如每5分钟一次)访问数据将是重要的。例如，在自动给胰岛素的情况下，需要在运动开始时做出决定，以防止运动引起的低血糖。目前，这两款手表都不提供对数据流的实时访问。克服与运动检测和检测准确性相关的一些挑战的一种方法是在做出运动剂量决定之前提醒个人。 Effective integration of activity monitors is an active area of research in the medical community, and the findings from this study point to both the abilities and challenges associated with real-time monitoring and integrating into medical systems.

限制

我们的研究有一个局限性，因为我们只测试了两种流行的消费级设备。这一选择是基于这些传感器在市场上的普遍性、可负担性以及通过API(例如)轻松集成到现有医疗系统架构中的潜力。我们目前的数据和解释可能是有限的，因为我们在研究中没有考虑到肤色。据报道，肤色会影响HR测量的准确性[16]，未来的研究应该报告菲茨帕特里克肤色量表来解释这一局限性。我们研究的另一个限制是，锻炼是在实验室环境中进行的，而不是在现实世界中进行的。然而，我们试图捕获几个真实世界的adl，以尽量减少这种限制，尽管这些活动也在实验室中记录。在现实环境中做进一步的调查来证实我们的结果是很重要的。另一个限制是，可穿戴设备的HR测量结果不能与ECG等真正的黄金标准进行比较。

结论

我们对两种最受欢迎的低成本消费者腕带活动监测器进行了全面评估，这些监测器可用于多种运动方式和日常活动。我们发现，在稳态活动和低强度活动期间，心率测量在可接受的误差范围内(5%)，但在不涉及手腕运动的高强度、更动态的活动期间，心率测量的准确性较低。这些设备提供的EE估计在所有活动中都是不准确的。